MATRIZ DE VARIANZA Y COVARIANZA

> cov(gastos)
ROPA MAQASEO CARRO TECNOLOGIA
ROPA 22007.79 5382.490 -47192.88 -40135.556
MAQASEO 5382.49 1323.206 -11209.04 -9879.167
CARRO -47192.88 -11209.039 170596.22 81619.935
TECNOLOGIA -40135.56 -9879.167 81619.93 93597.467

La variable más heterogénea es la del carro con una varianza de 170596.22 y la homogénea es
la de maq-aseo con una varianza de 1323.206 y la varianza total es de 287524.683. En cuanto a
la covarianza las variables que tienen más dispersión son el carro y tecnología. La ropa y maq-
aseo tienen una relación positiva mientras que el carro y la tecnología negativa.

MATRIZ DE CORRELACIONES
ROPA MAQASEO CARRO TECNOLOGIA
ROPA 1.0000000 0.9974274 -0.7702000 -0.8843191
MAQASEO 0.9974274 1.0000000 -0.7460535 -0.8877170
CARRO -0.7702000 -0.7460535 1.0000000 0.6459211
TECNOLOGIA -0.8843191 -0.8877170 0.6459211 1.0000000

En cuanto a la matriz de correlaciones y los gráficos que se generaron podemos observar que
en las variables ropa y maq-aseo tienen alta correlación y la variable tecnología tienen alta
correlación pero negativa finalmente podemos observar que la variable carro tiene una
correlación muy baja.
DIAGRAMA DE DISPERSION MATRICIAL

Las variables ropa y maq-aseo tienen una fuerte relación ya que van creciendo positivamente
mientras que las variables carro y tecnología no se ve una relación muy clara.

En esta grafica podemos observar la distribución de frecuencias de cada variable (ropa, maq-
aseo, carro y tecnología) en la variable ropa muestra una distribución asimétrica, en la variable
maq-aseo la distribución es un poco más uniforme y en las variables carro y tecnología
muestra una distribución también asimétrica.

CORRELACIONES EN FORMA DE RED

PRUEBA DE ESFERICIDAD
> #prueba de esfericidad de bartlet. H0:r=I (no correlacion, no
multicolinealidad)
> cortest.bartlett(corelac,n=nrow(gastos))
$chisq
[1] 118.5572

$p.value
[1] 3.273801e-23

$df
[1] 6

Ya que el valor-p es pequeño significa que rechazamos la hipótesis nula, lo cual significa que si
podemos utilizar la prueba de test.bartlett.

RESULTADO DEL DETERMINANTE DE LA MATRIZ DE CORRELACION

> #obtener el resultado del determinante de la matriz de correlación
> det(corelac)
[1] 0.000337948

corr.test
function (x, y = NULL, use = "pairwise", method = "pearson",
adjust = "holm", alpha = 0.05, ci = TRUE, minlength = 5)
{
cl <- match.call()
if (is.null(y)) {
r <- cor(x, use = use, method = method)
sym <- TRUE
n <- t(!is.na(x)) %*% (!is.na(x))
}
else {
r <- cor(x, y, use = use, method = method)
sym = FALSE
n <- t(!is.na(x)) %*% (!is.na(y))
 }
if ((use == "complete") | (min(n) == max(n)))
n <- min(n)
t <- (r * sqrt(n - 2))/sqrt(1 - r^2)
p <- -2 * expm1(pt(abs(t), (n - 2), log.p = TRUE))
se <- sqrt((1 - r * r)/(n - 2))
nvar <- ncol(r)
p[p > 1] <- 1
if (adjust != "none") {
if (is.null(y)) {
lp <- upper.tri(p)
pa <- p[lp]
pa <- p.adjust(pa, adjust)
p[upper.tri(p, diag = FALSE)] <- pa
}
else {
p[] <- p.adjust(p, adjust)
}
}
z <- fisherz(r[lower.tri(r)])
if (ci) {
if (min(n) < 4) {
warning("Number of subjects must be greater than 3 to find
confidence intervals.")
}
if (sym) {
ncors <- nvar * (nvar - 1)/2
}
else ncors <- prod(dim(r))
if (adjust != "holm") {
dif.corrected <- qnorm(1 - alpha/(2 * ncors))
}
else {
ord <- order(abs(z), decreasing = FALSE)
dif.corrected <- qnorm(1 - alpha/(2 * order(ord)))
}
alpha <- 1 - alpha/2
dif <- qnorm(alpha)
if (sym) {
if (is.matrix(n)) {
sef <- 1/sqrt(n[lower.tri(n)] - 3)
}
else {
sef <- 1/sqrt(n - 3)
}
lower <- fisherz2r(z - dif * sef)
upper <- fisherz2r(z + dif * sef)
lower.corrected <- fisherz2r(z - dif.corrected *
sef)
upper.corrected <- fisherz2r(z + dif.corrected *
sef)
ci <- data.frame(lower = lower, r = r[lower.tri(r)],
upper = upper, p = p[lower.tri(p)])
ci.adj <- data.frame(lower.adj = lower.corrected,
upper.adj = upper.corrected)
cnR <- abbreviate(rownames(r), minlength = minlength)
cnC <- abbreviate(colnames(r), minlength = minlength)
k <- 1
for (i in 1:(nvar - 1)) {
 for (j in (i + 1):nvar) {
rownames(ci)[k] <- paste(cnC[i], cnR[j], sep = "-")
k <- k + 1
}
}
}
else {
n.x <- NCOL(x)
n.y <- NCOL(y)
z <- fisherz(r)
if (adjust != "holm") {
dif.corrected <- qnorm(1 - (1 - alpha)/(n.x *
n.y))
}
else {
ord <- order(abs(z), decreasing = FALSE)
dif.corrected <- qnorm(1 - (1 - alpha)/(order(ord)))
}
sef <- 1/sqrt(n - 3)
lower <- as.vector(fisherz2r(z - dif * sef))
upper <- as.vector(fisherz2r(z + dif * sef))
lower.corrected <- fisherz2r(z - dif.corrected *
sef)
upper.corrected <- fisherz2r(z + dif.corrected *
sef)
ci <- data.frame(lower = lower, r = as.vector(r),
upper = upper, p = as.vector(p))
ci.adj <- data.frame(lower.adj = as.vector(lower.corrected),
r = as.vector(r), upper.adj = as.vector(upper.corrected))
cnR <- abbreviate(rownames(r), minlength = minlength)
cnC <- abbreviate(colnames(r), minlength = minlength)
k <- 1
for (i in 1:NCOL(y)) {
for (j in 1:NCOL(x)) {
rownames(ci)[k] <- paste(cnR[j], cnC[i], sep = "-")
k <- k + 1
}
}
}
}
else {
ci <- sef <- ci.adj <- NULL
}
result <- list(r = r, n = n, t = t, p = p, se = se, sef = sef,
adjust = adjust, sym = sym, ci = ci, ci.adj = ci.adj,
Call = cl)
class(result) <- c("psych", "corr.test")
return(result)
}
<bytecode: 0x5560606efcc0>
<environment: namespace:psych>

ANÁLISIS COMPONENTES PRINCIPALES

Standard deviations (1, .., p=4):
[1] 490.60284 209.10601 55.70823 2.19345

Rotation (n x k) = (4 x 4):
PC1 PC2 PC3 PC4
ROPA -0.27145748 0.1972559 0.9099819 0.243585554
MAQASEO -0.06541771 0.0538316 0.2284318 -0.969866789
CARRO 0.80419231 0.5836740 0.1121538 0.004568865
TECNOLOGIA 0.52469619 -0.7858224 0.3273735 -0.001901267

Si existe una alta correlación lo cual quiere decir que se pueden poner
Hacer combinaciones lineales.